Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới. Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận. Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.
Phát hiện sớm ung thư tuyến tụy bằng phương pháp học đa phương thức trên hồ sơ sức khỏe điện tử
Created by
Haebom
Tác giả
Mosbah Aouad, Anirudh Choudhary, Awais Farooq, Steven Nevers, Lusine Demirkhanyan, Bhrandon Harris, Suguna Pappu, Christopher Gondi, Ravishankar Iyer
Phác thảo
Ung thư ống tụy (PDAC) là một loại ung thư có tỷ lệ tử vong cao, khiến việc chẩn đoán sớm trở nên khó khăn do các triệu chứng đặc trưng và thiếu các dấu ấn sinh học đáng tin cậy. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp tiếp cận đa phương thức mới tích hợp lịch sử mã chẩn đoán theo chiều dọc từ hồ sơ sức khỏe điện tử với các phép đo phòng thí nghiệm được thu thập thường xuyên. Phương pháp này kết hợp các phương trình vi phân có kiểm soát thần kinh để mô hình hóa chuỗi thời gian phòng thí nghiệm bất thường, các mô hình ngôn ngữ được đào tạo trước và mạng nơ-ron hồi quy để học các biểu diễn quỹ đạo mã chẩn đoán và một cơ chế chú ý chéo để nắm bắt các tương tác giữa hai phương thức. Chúng tôi đã phát triển và đánh giá phương pháp này trên một tập dữ liệu thực tế gồm khoảng 4.700 bệnh nhân, chứng minh sự cải thiện AUC từ 6,5% đến 15,5% so với các phương pháp hiện đại. Hơn nữa, chúng tôi đã xác định được một nhóm mã chẩn đoán và các xét nghiệm trong phòng thí nghiệm liên quan đến việc tăng nguy cơ PDAC, bao gồm cả các dấu ấn sinh học đã được xác định và mới. Mã có sẵn tại https://github.com/MosbahAouad/EarlyPDAC-MML .
Việc tích hợp dữ liệu đa phương thức (lịch sử mã chẩn đoán và phép đo trong phòng thí nghiệm) từ hồ sơ sức khỏe điện tử đã cải thiện hiệu suất chẩn đoán PDAC sớm.
◦
Chúng tôi đã đạt được hiệu suất cải thiện AUC từ 6,5% đến 15,5% so với các phương pháp hiện đại.
◦
Góp phần xác định các dấu ấn sinh học mới liên quan đến nguy cơ mắc PDAC tăng cao.
◦
Chúng tôi công khai mã của mô hình đã phát triển để hỗ trợ khả năng tái tạo và nghiên cứu sâu hơn.
•
Limitations:
◦
Nghiên cứu này không đề cập rõ ràng đến quy mô và tính đa dạng của tập dữ liệu được sử dụng. Có thể cần xác nhận thêm về khả năng khái quát hóa.
◦
Có thể cần phải làm sáng tỏ thêm các cơ chế sinh học cơ bản liên quan giữa các mã chẩn đoán cụ thể và nguy cơ gia tăng trong các nhóm xét nghiệm.
◦
Cần nghiên cứu thêm để xác định khả năng áp dụng cho các loại ung thư hoặc bệnh khác.
